CN108882271B - 一种基于标签多伯努利分布的非共视多传感器融合方法 - Google Patents

一种基于标签多伯努利分布的非共视多传感器融合方法 Download PDF

Info

Publication number
CN108882271B
CN108882271B CN201810728033.6A CN201810728033A CN108882271B CN 108882271 B CN108882271 B CN 108882271B CN 201810728033 A CN201810728033 A CN 201810728033A CN 108882271 B CN108882271 B CN 108882271B
Authority
CN
China
Prior art keywords
label
node
fusion
sensor
distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810728033.6A
Other languages
English (en)
Other versions
CN108882271A (zh
Inventor
李溯琪
易伟
王佰录
孔令讲
崔国龙
杨晓波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810728033.6A priority Critical patent/CN108882271B/zh
Publication of CN108882271A publication Critical patent/CN108882271A/zh
Application granted granted Critical
Publication of CN108882271B publication Critical patent/CN108882271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于标签多伯努利分布的非共视多传感器融合方法，属于多传感器融合领域。本发明采用均匀分布补偿各节点融合后验分布，实现了非共视多个节点后验信息的融合；采用网络共识策略，并利用节点间后验信息和标识信息的传递，实现了传感器网络的各节点全局后验信息的融合；通过传感器间目标航迹联合分组，组间LF‑GCI融合算法运算速度提升1‑1.5个数量级，本发明适用于传感器网络任意共视和非共视布局形态的后验信息融合，算法执行效率高，且针对传感器节点间“标号不一致”敏感问题具有鲁棒性。

Description

一种基于标签多伯努利分布的非共视多传感器融合方法
技术领域
本发明属于多传感器融合领域，特别涉及一种基于标签多伯努利分布的非共视多传感器融合方法。
背景技术
单传感器探测系统因其探测视角单一、探测能力单一、探测环境复杂多样等原因，无法达到时变多目标的精准有效探测目的，亟需一种立足于多向散射机理的传感器网络探测系统，以满足复杂探测场景中多目标的稳定、持续探测任务需求。另一方面，随着小型化探测器的计算、存储、通信能力提升，由该型探测器构建的多传感器网络系统备受青睐，该系统为多目标探测提供了目标多样化信息采集平台。
多传感器多目标跟踪技术是实现多传感器网络系统目标探测任务的重要途径。传统集中式多传感器融合需要每个传感器节点不进行本地滤波处理，而是将原始量测数据传输到融合中心节点，然后融合中心节点联合所有节点量测数据进行滤波处理，最后融合后信息反馈给各本地节点，以进一步提升多目标跟踪性能。因此，集中式算法的目标跟踪性能是最优的。然而，由于需要将所有节点量测数据传输到融合中心，通信代价高昂，同时集中式处理结构复杂，容易出现单点故障、网络可延展性差等问题。
由于分布式融合技术具有通信代价低、容错率高、鲁棒性强等一系列优势，该技术的发展备受青睐，尤其近20～30年该技术已被广泛应用于广域区域的监视与监测任务，其典型应用从民用范围，包括污染源监测，交通管控，汽车防撞，移动通信等传感器网络，到军事领域的水声探测的声纳阵列网络、国土防空的雷达网络、隐身目标探测的主/被雷达协同网络等。相比于集中式融合算法已展开的研究工作，分布式多传感器多目标跟踪技术的研究仍在探索阶段，其理论研究、算法实现、工程应用等方面还存在诸多亟待解决的问题。
分布式融合技术的本质是实现传感器网络内各节点多目标后验分布的融合，为了获得优异、稳定的融合性能，分布式融合需主要解决如下问题：
1.本地节点多目标跟踪问题需建立在完备的理论框架下。在实际多目标跟踪场景中,面临着目标出生死亡时刻未知、目标个数时变未知、传感器量测数据构成复杂、量测个数时变未知、量测与目标关联关系时变未知等难题。
2.传感器节点间量测存在未知相关性。在任意网络拓扑结构的分布式传感器网络中，不同传感器节点间量测相关性未知，该相关性主要来源于两类：公共的过程噪声信息和公共的先验信息。因此，在设计分布式融合算法时，如果不考虑节点间量测间的未知相关性，则节点间公共信息存在被“重复计算”问题，导致融合性能发散。
3.传感器网络各传感器节点探测视角非重叠问题。为了达到较大的探测威力范围，传感器网络各节点采用散状布局形态，各节点探测视角存在部分交集。然而在各传感器节点探测非交集布局下，各传感器节点后验信息间存在差异，无法有效的融合各传感器后验信息。
发明内容
为了解决现有技术中传感器网络各传感器节点探测视角非重叠问题，本发明提供了一种基于标签多伯努利(LMB)分布的非共视多传感器融合方法，本地融合部分，首先设置传感器网络各节点采用标签多伯努利滤波器实现本地滤波，并通过通信链路接收其邻近节点的标签多伯努利后验分布；然后基于广义协方差交集信息熵实现传感器间目标航迹的联合分组；其次，在每一联合分组下，基于均匀分布补偿各节点后验分布中未出现目标集合对应的后验分布；最后，在每一联合分组下，计算标签多伯努利分布的免标号GCI(Label-FreeGCI,LF-GCI)融合各个参数，并输出融合后标签多伯努利分布；全局融合部分，基于节点间信息传递-本地节点融合策略实现传感器网络全部节点的全局融合，实现了非共视多传感器节点后验信息的有机融合，且算法执行效率高、针对传感器间“标号不一致”敏感问题具有鲁棒性等。
一种基于标签多伯努利分布的非共视多传感器融合方法，包括以下步骤：
步骤1，数个传感器构建传感器网络，各传感器节点采用标签多伯努利滤波器进行滤波，初始化网络共识参数；
步骤2，各传感器节点接收邻近节点标签多伯努利分布后验信息；
步骤3，基于序贯融合策略，各传感器间目标航迹联合分组，生成联合分组结果；
步骤4，根据所述联合分组结果，基于均匀分布，补偿每组标签多伯努利后验分布，每组内进行LF-GCI-LMB融合；
步骤5，当共识步骤达到总共识步骤时，各传感器节点输出融合后验标签多伯努利分布参数，提取多目标状态。
进一步地，所述步骤1包括以下流程：
S个探测视角不重叠的传感器构成传感器网络，邻近传感器节点间通过通信链路通信，各传感器节点采用标签多伯努利滤波器进行滤波，在k时刻各节点后验标签多伯努利分布参数为
Figure BDA0001720183540000031
其中
Figure BDA0001720183540000032
为第s个节点的目标标号集合，x为单目标状态，
Figure BDA0001720183540000033
为第s个节点标号为的航迹存在概率，
Figure BDA0001720183540000034
为第s个节点标号为的航迹密度分布；
初始化网络共识参数，各节点的虚假目标航迹标号集合初始化为
Figure BDA0001720183540000035
s＝1,…,S；共识步骤初始化为c＝1，总共识步骤为C。
进一步地，所述步骤2包括以下流程：
各传感器节点接收邻近节点标签多伯努利分布后验信息，传感器节点s获取的标签多伯努利分布后验集合为
Figure BDA0001720183540000041
其中，
Figure BDA0001720183540000042
表示传感器节点s的邻近节点传感器的节点索引号集合，|·|表示取模运算，
Figure BDA0001720183540000043
表示传感器节点s的邻近节点个数，
Figure BDA0001720183540000044
表示传感器节点s标号为s'所对应的邻近节点，标号s'取值范围为
Figure BDA0001720183540000045
进一步地，所述步骤3包括以下流程：
各传感器节点基于序贯策略进行
Figure BDA0001720183540000046
个邻近节点后验标签多伯努利分布融合的初始化，其中s＝1,…,S，序贯融合参数初始化s'＝1；以传感器节点s的标号空间作为该节点融合后标签多伯努利分布的标号空间；
选取广义协方差交集信息熵作为πs和
Figure BDA0001720183540000047
所对应目标标号集合
Figure BDA0001720183540000048
和
Figure BDA0001720183540000049
的联合分组准则，任意
Figure BDA00017201835400000410
和
Figure BDA00017201835400000411
对应的广义协方差交集信息熵
Figure BDA00017201835400000412
表示为
Figure BDA00017201835400000413
其中，ln表示自然对数运算，ω1表示融合后多伯努利后验分布的融合权重，ω2传感器节点
Figure BDA00017201835400000414
对应多伯努利后验分布的融合权重，ω1和ω2满足ω1+ω2＝1，∫·dx表示积分运算；
基于所述联合分组准则，
Figure BDA00017201835400000415
和
Figure BDA00017201835400000416
的联合分组结果为
Figure BDA00017201835400000417
其中
Figure BDA00017201835400000418
N表示分组组数。
进一步地，步骤4包括以下流程：
步骤41，根据所述联合分组结果，进行并行分组多伯努利分布融合，初始化g＝1；
步骤42，判断
Figure BDA0001720183540000051
且
Figure BDA0001720183540000052
是否成立，若
Figure BDA0001720183540000053
且
Figure BDA0001720183540000054
成立，流程进入步骤46；若
Figure BDA0001720183540000055
且
Figure BDA0001720183540000056
不成立，流程进入步骤43；
步骤43，计算标号为
Figure BDA0001720183540000057
的目标航迹出现在节点s和
Figure BDA0001720183540000058
公共探测视角范围的次数
Figure BDA00017201835400000528
表示为
Figure BDA0001720183540000059
其中，
Figure BDA00017201835400000510
表示标号
Figure BDA00017201835400000529
目标航迹状态估计，FoVs表示第s个节点的探测视角范围，
Figure BDA00017201835400000511
步骤44，获取虚假目标航迹标号集合
Figure BDA00017201835400000512
将标号
Figure BDA00017201835400000513
中
Figure BDA00017201835400000530
的标号集合表示为
Figure BDA00017201835400000514
虚假目标航迹标号集合为
Figure BDA00017201835400000515
步骤45，基于均匀分布补偿传感器节点
Figure BDA00017201835400000516
对应第g组标签多伯努利后验分布
Figure BDA00017201835400000517
其中，
Figure BDA00017201835400000518
rc为给定实数，满足0＜rc＜1，
Figure BDA00017201835400000519
服从均匀分布，以及
Figure BDA00017201835400000520
Figure BDA00017201835400000521
Figure BDA00017201835400000522
步骤46，基于免标号GCI(Label-Free GCI,LF-GCI)融合方法进行
Figure BDA00017201835400000523
和
Figure BDA00017201835400000524
的融合，节点s处融合后标签多伯努利分布参数为
Figure BDA00017201835400000525
步骤47，判断g＜N是否成立，若g＜N成立，令g＝g+1，流程回到步骤42；若g＜N不成立，输出传感器节点处融合后标签多伯努利分布参数，流程进入步骤48；
步骤48，判断
Figure BDA00017201835400000526
是否成立，若
Figure BDA00017201835400000527
成立，令s'＝s'+1，流程回到步骤3；若
Figure BDA0001720183540000061
不成立，输出传感器节点s处第c步共识的融合后标签多伯努利分布参数
Figure BDA0001720183540000062
流程进入步骤5。
进一步地，步骤5包括以下流程：
步骤51，判断c＜C是否成立；
步骤52，若c＜C成立，令c＝c+1，
Figure BDA0001720183540000063
s＝1,…,S，流程回到步骤2；
步骤53，若c＜C不成立，在传感器节点s＝1,…,S中，根据各节点C步网络共识输出的融合后验标签多伯努利分布提取多目标状态。
本发明的有益效果：本发明提供了一种基于标签多伯努利分布的非共视多传感器融合方法，采用均匀分布补偿各节点融合后验分布，实现了非共视多个节点后验信息的融合；采用网络共识策略，并利用节点间后验信息和标识信息的传递，实现了传感器网络的各节点全局后验信息的融合；通过传感器间目标航迹联合分组，组间LF-GCI融合算法运算速度提升1-1.5个数量级，本发明适用于传感器网络任意共视和非共视布局形态的后验信息融合，算法执行效率高，且针对传感器节点间“标号不一致”敏感问题具有鲁棒性。
附图说明
图1为本发明实施例的流程图。
图2为图1中步骤4的流程图。
图3为图1中步骤5的流程图。
具体实施方式
本发明主要采用计算机仿真的方法进行验证，所有步骤、结论都在MATLAB-R2010b上验证正确。
下面结合附图对本发明的实施例做进一步的说明。
请参阅图1，本发明提出的一种基于标签多伯努利分布的非共视多传感器融合方法，具体流程如下：
步骤1，数个传感器构建传感器网络，各传感器节点采用标签多伯努利滤波器进行滤波，初始化网络共识参数。
本实施例中，传感器网络由S个探测视角不重叠的传感器构成，邻近传感器节点间通过通信链路通信，且假定通信链路工作正常。各传感器节点采用标签多伯努利滤波器进行滤波，在k时刻各节点后验标签多伯努利分布参数为
Figure BDA0001720183540000071
s＝1,…,S，其中
Figure BDA0001720183540000072
为第s个节点的目标标号集合，x为单目标状态，
Figure BDA0001720183540000073
为第s个节点标号为的航迹存在概率，
Figure BDA0001720183540000074
为第s个节点标号为的航迹密度分布。
本实施例中，初始化网络共识参数，包括：各节点的虚假目标航迹标号集合初始化为
Figure BDA0001720183540000075
s＝1,…,S；共识步骤初始化为c＝1；总共识步骤设置为C。
步骤2，各传感器节点接收邻近节点标签多伯努利分布后验信息。
本实施例中，各传感器节点接收邻近节点标签多伯努利分布后验信息，传感器节点s获取的标签多伯努利分布后验集合为
Figure BDA0001720183540000076
其中，
Figure BDA0001720183540000077
表示传感器节点s的邻近节点传感器的节点索引号集合，|·|表示取模运算，
Figure BDA0001720183540000078
表示传感器节点s的邻近节点个数，
Figure BDA0001720183540000079
表示传感器节点s标号为s'所对应的邻近节点，标号s'取值范围为
Figure BDA00017201835400000710
例如：当s'＝1时，表示传感器节点s的邻近节点集合
Figure BDA00017201835400000711
中第1个索引号对应的邻近传感器节点；当s'＝2时，表示传感器节点s的邻近节点集合
Figure BDA00017201835400000712
中第2个索引号对应的邻近传感器节点，…,以此类推。
步骤3，基于序贯融合策略，各传感器间目标航迹联合分组，生成联合分组结果。
本实施例中，各传感器节点基于序贯策略执行
Figure BDA0001720183540000081
个邻近节点后验标签多伯努利分布融合的初始化过程，其中s＝1,…,S，序贯融合参数初始化s'＝1；以传感器节点s的标号空间作为该节点融合后标签多伯努利分布的标号空间；
选取广义协方差交集信息熵作为πs和
Figure BDA0001720183540000082
所对应目标标号集合
Figure BDA0001720183540000083
和
Figure BDA0001720183540000084
的联合分组准则，任意
Figure BDA0001720183540000085
和
Figure BDA0001720183540000086
对应的广义协方差交集信息熵
Figure BDA00017201835400000825
表示为
Figure BDA0001720183540000087
其中，ln表示自然对数运算，ω1表示融合后多伯努利后验分布的融合权重，ω2传感器节点
Figure BDA0001720183540000088
对应多伯努利后验分布的融合权重，ω1和ω2满足ω1+ω2＝1，∫·dx表示积分运算；
基于上述联合分组准则，
Figure BDA0001720183540000089
和
Figure BDA00017201835400000810
的联合分组结果为
Figure BDA00017201835400000811
其中
Figure BDA00017201835400000812
N表示分组组数。
步骤4，根据所述联合分组结果，基于均匀分布，补偿每组标签多伯努利后验分布，每组内进行LF-GCI-LMB融合。
请参阅图2，步骤4通过以下流程实现：
步骤41，根据步骤3中的联合分组结果，进行并行分组多伯努利分布融合，初始化g＝1；
步骤42，判断
Figure BDA00017201835400000813
且
Figure BDA00017201835400000814
是否成立，若
Figure BDA00017201835400000815
且
Figure BDA00017201835400000816
成立，流程进入步骤46；若
Figure BDA00017201835400000817
且
Figure BDA00017201835400000818
不成立，流程进入步骤43；
步骤43，计算标号为
Figure BDA00017201835400000819
的目标航迹出现在节点s和
Figure BDA00017201835400000820
公共探测视角范围的次数
Figure BDA00017201835400000823
表示为
Figure BDA00017201835400000821
其中，
Figure BDA00017201835400000822
表示标号
Figure BDA00017201835400000824
目标航迹状态估计，FoVs表示第s个节点的探测视角范围，
Figure BDA0001720183540000091
步骤44，获取虚假目标航迹标号集合
Figure BDA0001720183540000092
将标号
Figure BDA0001720183540000093
中
Figure BDA00017201835400000920
的标号集合表示为
Figure BDA0001720183540000094
虚假目标航迹标号集合为
Figure BDA0001720183540000095
步骤45，基于均匀分布补偿传感器节点
Figure BDA0001720183540000096
对应第g组标签多伯努利后验分布
Figure BDA0001720183540000097
其中，
Figure BDA0001720183540000098
rc为给定实数，满足0＜rc＜1，
Figure BDA0001720183540000099
服从均匀分布，以及
Figure BDA00017201835400000910
Figure BDA00017201835400000911
Figure BDA00017201835400000912
步骤46，基于免标号GCI(Label-Free GCI,LF-GCI)融合方法进行
Figure BDA00017201835400000913
和
Figure BDA00017201835400000914
的融合，节点s处融合后标签多伯努利分布参数为
Figure BDA00017201835400000915
步骤47，判断g＜N是否成立；
步骤471，当g＜N时，令g＝g+1，流程回到步骤42；
本实施例中，当g＝N时，输出传感器节点处融合后标签多伯努利分布参数，流程进入步骤48；
步骤48，判断
Figure BDA00017201835400000916
是否成立；
步骤481，当
Figure BDA00017201835400000917
时，令s'＝s'+1，流程回到步骤3；
步骤482，当
Figure BDA00017201835400000918
时，输出传感器节点s处第c步共识的融合后标签多伯努利分布参数
Figure BDA00017201835400000919
流程进入步骤5。
步骤5，当共识步骤达到总共识步骤时，各传感器节点输出融合后验标签多伯努利分布参数，提取多目标状态。
请参阅图3，步骤5通过以下流程实现：
步骤51，判断c＜C是否成立；
步骤52，当c＜C时，令c＝c+1，
Figure BDA0001720183540000101
s＝1,…,S，流程回到步骤2；
步骤53，当c＝C时，在传感器节点s＝1,…,S中，根据各节点C步网络共识输出的融合后验标签多伯努利分布提取多目标状态。
通过上面的步骤，可实现传感器网络各节点探测视角非重叠场景下各节点后验信息的有效融合。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (1)

1.一种基于标签多伯努利分布的非共视多传感器融合方法，其特征在于，包括以下步骤：
步骤1，数个传感器构建传感器网络，各传感器节点采用标签多伯努利滤波器进行滤波，初始化网络共识参数；包括以下流程：
S个探测视角不重叠的传感器构成传感器网络，邻近传感器节点间通过通信链路通信，各传感器节点采用标签多伯努利滤波器进行滤波，在k时刻各节点后验标签多伯努利分布参数为
Figure FDA0002356923980000011
其中
Figure FDA0002356923980000012
为第s个节点的目标标号集合，x为单目标状态，
Figure FDA0002356923980000013
为第s个节点标号为的航迹存在概率，
Figure FDA0002356923980000014
为第s个节点标号为的航迹密度分布；
初始化网络共识参数，各节点的虚假目标航迹标号集合初始化为
Figure FDA0002356923980000015
Figure FDA0002356923980000016
共识步骤初始化为c＝1，总共识步骤为C；
步骤2，各传感器节点接收邻近节点标签多伯努利分布后验信息；包括以下流程：
各传感器节点接收邻近节点标签多伯努利分布后验信息，传感器节点s获取的标签多伯努利分布后验集合为
Figure FDA0002356923980000017
其中，
Figure FDA0002356923980000018
表示传感器节点s的邻近节点传感器的节点索引号集合，|·|表示取模运算，
Figure FDA0002356923980000019
表示传感器节点s的邻近节点个数，
Figure FDA00023569239800000110
表示传感器节点s标号为s'所对应的邻近节点，标号s'取值范围为
Figure FDA00023569239800000111
步骤3，基于序贯融合策略，各传感器间目标航迹联合分组，生成联合分组结果；包括以下流程：
各传感器节点基于序贯策略进行
Figure FDA00023569239800000112
个邻近节点后验标签多伯努利分布融合的初始化，其中s＝1,…,S，序贯融合参数初始化s'＝1；以传感器节点s的标号空间作为该节点融合后标签多伯努利分布的标号空间；
选取广义协方差交集信息熵作为πs和
Figure FDA0002356923980000021
所对应目标标号集合
Figure FDA0002356923980000022
和
Figure FDA0002356923980000023
的联合分组准则，任意
Figure FDA0002356923980000024
和
Figure FDA0002356923980000025
对应的广义协方差交集信息熵d(l,l′)表示为
Figure FDA0002356923980000026
其中，ln表示自然对数运算，ω1表示融合后多伯努利后验分布的融合权重，ω2传感器节点
Figure FDA0002356923980000027
对应多伯努利后验分布的融合权重，ω1和ω2满足ω1+ω2＝1，∫·dx表示积分运算；
基于所述联合分组准则，
Figure FDA0002356923980000028
和
Figure FDA0002356923980000029
的联合分组结果为
Figure FDA00023569239800000210
其中
Figure FDA00023569239800000211
N表示分组组数；
步骤4，根据所述联合分组结果，基于均匀分布，补偿每组标签多伯努利后验分布，每组内进行LF-GCI-LMB融合；包括以下流程：
步骤41，根据所述联合分组结果，进行并行分组多伯努利分布融合，初始化g＝1；
步骤42，判断
Figure FDA00023569239800000212
且
Figure FDA00023569239800000213
是否成立，若
Figure FDA00023569239800000214
且
Figure FDA00023569239800000215
成立，流程进入步骤46；若
Figure FDA00023569239800000216
且
Figure FDA00023569239800000217
不成立，流程进入步骤43；
步骤43，计算标号为
Figure FDA00023569239800000218
的目标航迹出现在节点s和
Figure FDA00023569239800000219
公共探测视角范围的次数N(g)(l)，表示为
Figure FDA00023569239800000220
其中，
Figure FDA00023569239800000221
表示标号l目标航迹状态估计，FoVs表示第s个节点的探测视角范围，
Figure FDA00023569239800000222
步骤44，获取虚假目标航迹标号集合
Figure FDA00023569239800000223
将标号
Figure FDA00023569239800000224
中N(g)(l)＞1的标号集合表示为
Figure FDA00023569239800000225
虚假目标航迹标号集合为
Figure FDA00023569239800000226
步骤45，基于均匀分布补偿传感器节点
Figure FDA0002356923980000031
对应第g组标签多伯努利后验分布
Figure FDA0002356923980000032
其中，
Figure FDA0002356923980000033
rc为给定实数，满足0＜rc＜1，
Figure FDA0002356923980000034
服从均匀分布，以及
Figure FDA0002356923980000035
Figure FDA0002356923980000036
Figure FDA0002356923980000037
步骤46，基于免标号GCI(Label-Free GCI,LF-GCI)融合方法进行
Figure FDA0002356923980000038
和
Figure FDA0002356923980000039
的融合，节点s处融合后标签多伯努利分布参数为
Figure FDA00023569239800000310
步骤47，判断g＜N是否成立，若g＜N成立，令g＝g+1，流程回到步骤42；若g＜N不成立，输出传感器节点处融合后标签多伯努利分布参数，流程进入步骤48；
步骤48，判断
Figure FDA00023569239800000311
是否成立，若
Figure FDA00023569239800000312
成立，令s'＝s'+1，流程回到步骤3；若
Figure FDA00023569239800000313
不成立，输出传感器节点s处第c步共识的融合后标签多伯努利分布参数
Figure FDA00023569239800000314
流程进入步骤5；
步骤5，当共识步骤达到总共识步骤时，各传感器节点输出融合后验标签多伯努利分布参数，提取多目标状态；包括以下流程：
步骤51，判断c＜C是否成立；
步骤52，若c＜C成立，令c＝c+1，
Figure FDA00023569239800000315
流程回到步骤2；
步骤53，若c＜C不成立，在传感器节点s＝1,…,S中，根据各节点C步网络共识输出的融合后验标签多伯努利分布提取多目标状态。
CN201810728033.6A 2018-07-05 2018-07-05 一种基于标签多伯努利分布的非共视多传感器融合方法 Active CN108882271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810728033.6A CN108882271B (zh) 2018-07-05 2018-07-05 一种基于标签多伯努利分布的非共视多传感器融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810728033.6A CN108882271B (zh) 2018-07-05 2018-07-05 一种基于标签多伯努利分布的非共视多传感器融合方法

Publications (2)

Publication Number Publication Date
CN108882271A CN108882271A (zh) 2018-11-23
CN108882271B true CN108882271B (zh) 2020-04-07

Family

ID=64299374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810728033.6A Active CN108882271B (zh) 2018-07-05 2018-07-05 一种基于标签多伯努利分布的非共视多传感器融合方法

Country Status (1)

Country Link
CN (1) CN108882271B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113296089B (zh) * 2021-07-27 2021-11-19 中国人民解放军空军预警学院 用于多预警机目标跟踪系统的lmb密度融合方法及装置
CN115099343B (zh) * 2022-06-24 2024-03-29 江南大学 一种有限视野下分布式标签多伯努利融合跟踪方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133983A (zh) * 2014-06-30 2014-11-05 电子科技大学 基于加权负一阶rd和的多目标伯努利分布式融合方法
CN106685427A (zh) * 2016-12-15 2017-05-17 华南理工大学 一种基于信息一致性的稀疏信号重构方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103648108B (zh) * 2013-11-29 2017-02-08 中国人民解放军海军航空工程学院 传感器网络分布式一致性目标状态估计方法
CN104881521B (zh) * 2015-05-05 2018-10-16 电子科技大学 一种标号随机集滤波器分布式融合方法
US9892012B2 (en) * 2015-12-30 2018-02-13 International Business Machines Corporation Detecting anomalous sensors
CN106154259B (zh) * 2016-06-30 2018-12-18 电子科技大学 一种随机集理论下的多传感器自适应管控方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133983A (zh) * 2014-06-30 2014-11-05 电子科技大学 基于加权负一阶rd和的多目标伯努利分布式融合方法
CN106685427A (zh) * 2016-12-15 2017-05-17 华南理工大学 一种基于信息一致性的稀疏信号重构方法

Also Published As

Publication number Publication date
CN108882271A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
Brooks et al. Distributed target classification and tracking in sensor networks
He et al. Distributed joint probabilistic data association filter with hybrid fusion strategy
CN109960148B (zh) 一种智能无人系统的自主性评估方法及系统
Kang et al. Detection and recovery of coverage holes in wireless sensor networks
CN108882271B (zh) 一种基于标签多伯努利分布的非共视多传感器融合方法
Bhat et al. Is localization of wireless sensor networks in irregular fields a challenge?
CN108934028B (zh) 一种多伯努利滤波器分布式融合方法
CN106154259A (zh) 一种随机集理论下的多传感器自适应管控方法
Gu et al. Localization with incompletely paired data in complex wireless sensor network
CN104777469A (zh) 一种基于量测误差协方差矩阵范数的雷达节点选择方法
CN101308206B (zh) 一种白噪声背景下的圆周轨迹机动目标跟踪方法
CN116486102A (zh) 一种基于混合空间调制特征卷积神经网络的红外弱小目标检测方法
CN114660561A (zh) Ais与雷达的航迹关联方法及装置
Wang et al. Communication efficient, distributed relative state estimation in UAV networks
CN113495577A (zh) 一种面向数字孪生仿真的无人机集群传感器模型校正方法
An et al. Rule-based multiple-target tracking in acoustic wireless sensor networks
CN113938826A (zh) 一种分布式无线协作定位方法
CN106127182B (zh) 基于倾斜角的两被动传感器多干扰源定位去鬼点方法
CN111964706B (zh) 分布式视场互补多伯努利关联算术平均融合跟踪方法
CN110895332B (zh) 一种扩展目标的分布式跟踪方法
Dai et al. I. Computer Science
Ye et al. Three-dimensional node localization algorithm for wireless sensor networks
Pi et al. A distributed and cooperative target localization algorithm in wireless sensor networks
Hu et al. A New Multi-Hop Localization Based on l_2 Constraint Least Square for Anisotropic Networks
Elma Hybridized Black Widow-Honey Badger Optimization: Swarm Intelligence Strategy for Node Localization Scheme in WSN

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant